人工智能性别的演化：面向多代模型种群的群体遗传学框架

一篇 arXiv 论文把多代模型种群类比为生物群体遗传学过程，用精确继承模型、循环网络、前馈网络、变分自编码器生成器和大型语言模型验证这些类比。作者发现，在父代输出上递归训练会精确复现 Wright-Fisher 过程，每代加入的真实数据起移民作用，且绝对样本数而非占比重要。

此前对模型崩溃的描述多停留在类比层面，该研究把模型再训练、权重平均、专家合并等做法纳入可形式化的群体遗传学框架，并给出架构相关偏差与可测量结果，使模型世代演化从模糊比喻变成可检验机制。

把每个模型视为个体、再训练视为繁殖、真实数据视为移民，可区分有性与无性繁殖。父代输出平均会带来混合遗传并抵消多父代收益，即 Jenkin 对 Darwin 的质疑；而保留各自最强贡献的合并可维持收益，出现 Fisher-Muller 效应。谱系还会逐渐生殖隔离，失去合并能力。

如果递归训练与合并策略的收益可由群体遗传学模型预测，那么模型迭代、蒸馏、权重合并和专家融合的评估与预算可更量化。真实数据绝对量比占比更关键，意味着持续补充真实样本可能是缓解模型崩溃的主要成本项。

• 为多代模型训练管线加入真实数据绝对量的监控与告警指标，而非只看数据占比。
• 在模型合并流程中对比平均权重与保留各自最强贡献的合并，验证 Fisher-Muller 效应是否在自有模型上出现。
• 建立谱系生殖隔离检测，在多个模型分支无法再合并前提前触发重新对齐。
• 把 Wright-Fisher 过程的最小模型作为内部工具，用于预测模型崩溃风险和真实数据需求。

• 论文所称的架构相关偏差在具体模型家族和规模上是否稳定可复现？
• 真实数据绝对数比占比更重要的结论在非生成式任务和不同训练目标下是否成立？
• 谱系生殖隔离是否可以逆转，以及逆转需要多少真实数据或何种合并方式？
• 这些类比能否转化为可落地的训练调度或预算优化方法？